Agent技术栈从零点亮指南

继上一篇基础概念后，本文深入解析Agent。那些复杂定义容易让人困惑，核心其实只有几个模块。

Agent到底是什么？

Agent的公式非常简洁：大模型（LLM）+ 工具/MCP调用 + 记忆（Memory）+ 规划（Planning/Workflow）。另一种表达是 Agent = LLM + Harness，大模型负责思考、推理和决策，Harness 则确保整个过程稳定、不跑偏、可持久、可恢复。

一个Agent的完整执行流程如下：

用户输入（需求） ↓
LLM 推理（解析需求、判断下一步） ↓
是否调用工具？（分支判断） ↓
执行工具（调用脚本/接口/浏览器） ↓
结果反馈给 LLM（上下文更新） ↓
继续推理（循环，直到完成任务）

下面是大佬给出的学习建议：

RAG

RAG是什么？

检索增强生成，即 RAG = 检索（Retrieval）+ 增强生成（Augmented Generation）。简单来说，先把用户问题拿去查资料库，找到相关文档，再交给大模型结合这些资料生成答案。核心流程走一遍就清楚了。

为什么需要RAG？

大模型基于公网内容训练，公司内部数据或资料它无法直接获取。此时需要 RAG 补上短板。例如字节的 Coze 支持本地文档、自定义数据、在线数据等，示意图如下：

怎么处理的？

用户提问 ↓
用户输入 → 文本切分 → 向量嵌入 → 向量数据库 → 检索相关文档 ↓
大模型生成

创建第一个Agent（基于 LangChain）

client = create_agent(
    model=llm,
    system_prompt="你是一个会使用工具解决问题的助手。",
)
response = client.invoke({
    "messages": [{"role": "user", "content": "用100个字介绍一下agent"}]
})
print(response)

得到的结果：

再添加一些代码，做一个有记忆的 Agent：

@dataclass
class Context:
    """自定义运行时上下文模式。"""
    user_id: str

@tool
def getWeather(city: str) -> str:
    """查询城市天气的本地示例工具。"""
    weather_map = {
        "北京": "晴，25摄氏度",
        "上海": "多云，27摄氏度",
        "广州": "小雨，29摄氏度"
    }
    return weather_map.get(city, "暂未查询到该城市天气")

@tool
def getUserLocation(runtime: ToolRuntime[Context]) -> str:
    """根据用户ID获取用户位置"""
    user_id = runtime.context.user_id
    user_info = runtime.store.get(("users",), user_id)
    if user_info:
        return user_info.value.get("location", "unknown")
    return "unknown"

agent = create_agent(
    model=llm,
    tools=[getWeather, getUserLocation],
    system_prompt="你是一个会使用工具解决问题的助手。",
    checkpointer=checkpointer,
    store=store,
    context_schema=Context
)

result = agent.invoke(
    {
        "messages": [{"role": "user", "content": "帮我看一下外面的天气"}]
    },
    config={"configurable": {"thread_id": "1"}},
    context=Context(user_id="1")
)
res = result["messages"]
print(res[-1].content)

得到的结果：

其他

工作范式

• CoT（Chain of Thought）：思维链，要求模型先输出中间推理步骤，再给最终答案。简单来说就是在 prompt 后面加一句“让我们一步步思考”。

提示词工程中还有两种引导策略：

1. Zero-shot：不给任何示例，直接给指令
2. Few-shot：按指定的推理模板输出，比如给 2~5 个输入-输出示例，让模型模仿。

• ReAct（Reasoning + Acting）：边推理，边执行。核心流程是 Thought → Action → Observation → Thought → ... → 完成。缺点是效率低，调用次数多。
• PlanAct（Plan-and-Execute）：先想好全盘，再一步步做。问题在于前期规划一旦出错，后面就容易一错到底。
• Reflection：反思机制，让另一个 LLM 对生成结果进行评判和修正。

记忆系统

• 短期记忆（上下文）
• 长期记忆（向量库）
• 用户画像（偏好）

安全机制

三层防护：

1. 权限控制
2. 操作确认（Human-in-the-loop）
3. 沙箱执行（隔离环境）

如果把所有工具和说明一次性塞给模型，上下文窗口会迅速耗尽，注意力也会涣散。解决办法有两种：

• 渐进式披露：先给最少量的信息，触发后再展开。
• 三给原则：按需给、分层给、在正确的时机给。